对分类算法中需要解决的关键问题进行了分析； 综述了不同分类算法的思想和特性， 决策树分类算法能够很好地处理噪声数据， 但只对规模较小训练样本集有效； 贝叶斯分类算法精度高、 速度快， 错误率低， 但分类不够准确；传统的基于关联规则算法分类准确率高， 但容易受硬件内存的制约； 支持向量机算法分类准确率高、 复杂度低， 但速度慢。针对各种分类算法的缺陷， 结合其优点， 论述了当前一些速度更快、 准确率更高、 能实现更好分类效果的新算法， 如多决策树综合技术、 基于先验信息和信息增益的混合分类算法， 基于粗糙集和遗传算法的神经网络分类算法等； 对数据挖掘分类算法作了展望， 提出今后的研究重点。